Từ điển thuật ngữ AI cho người làm doanh nghiệp (A–Z)

🛠️ Cách dùng từ điển thuật ngữ AI này

Thuật ngữ AI phần lớn là tiếng Anh, nhiều từ chưa có cách dịch thống nhất. Từ điển này giữ tên gốc, kèm tên tiếng Việt thông dụng nếu có, và trả lời hai câu hỏi cho mỗi mục: nó là gì và doanh nghiệp cần quan tâm vì sao.

Các thuật ngữ được chia theo nhóm vì chúng liên quan chặt với nhau. Ví dụ muốn hiểu RAG, bạn cần biết embedding, vector database, chunking; muốn hiểu chi phí API, cần biết token, context window, prompt caching. Đọc theo nhóm giúp bạn nắm bức tranh, không chỉ thuộc lòng định nghĩa.

Gợi ý đọc theo vai trò

• Chủ doanh nghiệp, giám đốc: nhóm nền tảng, vận hành và chi phí, an toàn và quản trị.
• Quản lý dự án, người chọn nhà cung cấp: thêm nhóm truy xuất tri thức, agent và tích hợp.
• Nhân viên dùng AI hằng ngày: nhóm sử dụng và prompt, đa phương thức.
• Nhân sự IT: đọc hết, đặc biệt nhóm huấn luyện và vận hành.

Lĩnh vực AI thay đổi nhanh. Định nghĩa ở đây là phần ổn định của khái niệm; tên sản phẩm, phiên bản cụ thể nên kiểm tra trên trang chính thức tại thời điểm bạn đọc.

📌 Nhóm 1: Thuật ngữ nền tảng

• AI (trí tuệ nhân tạo): lĩnh vực xây dựng hệ thống máy tính làm được việc vốn cần trí thông minh của con người như hiểu ngôn ngữ, nhận dạng ảnh, ra quyết định.
• Machine learning (học máy): cách để máy tự học quy luật từ dữ liệu thay vì lập trình từng quy tắc.
• Deep learning (học sâu): nhánh học máy dùng mạng nơ-ron nhiều lớp, nền tảng của AI tạo sinh hiện nay.
• Generative AI (AI tạo sinh): AI tạo ra nội dung mới như văn bản, ảnh, âm thanh, video, mã nguồn.
• LLM (mô hình ngôn ngữ lớn): mô hình được huấn luyện trên lượng văn bản khổng lồ để dự đoán và sinh chữ; là “bộ não” của các chatbot AI.
• Foundation model (mô hình nền tảng): mô hình lớn huấn luyện tổng quát, sau đó được điều chỉnh cho nhiều việc khác nhau.
• Transformer: kiến trúc mạng nơ-ron mà hầu hết LLM hiện nay dựa vào.
• Attention: cơ chế cho phép mô hình xác định phần nào của đầu vào quan trọng với từ đang xét.
• Parameter (tham số): các con số mô hình học được; “7B” nghĩa là khoảng 7 tỷ tham số. Nhiều tham số thường mạnh hơn nhưng tốn tài nguyên hơn.
• Token: đơn vị chữ mà mô hình xử lý, có thể là một từ, một phần từ hoặc dấu câu. Chi phí và giới hạn đều tính theo token.
• Tokenizer: bộ chia văn bản thành token. Tiếng Việt có dấu thường tốn nhiều token hơn tiếng Anh cùng nội dung.
• Context window (cửa sổ ngữ cảnh): số token tối đa mô hình xem xét trong một lần, gồm cả câu hỏi, tài liệu đính kèm và câu trả lời.
• AGI: khái niệm AI có năng lực tổng quát ngang hoặc vượt con người ở hầu hết việc; hiện còn là chủ đề tranh luận.

📌 Nhóm 2: Huấn luyện và tùy biến mô hình

• Pre-training (tiền huấn luyện): giai đoạn mô hình học từ dữ liệu khổng lồ để có kiến thức chung. Tốn kém, doanh nghiệp thường không tự làm.
• Fine-tuning (tinh chỉnh): huấn luyện thêm mô hình có sẵn bằng dữ liệu riêng để nó làm tốt một việc cụ thể hoặc theo một văn phong.
• LoRA: kỹ thuật tinh chỉnh tiết kiệm, chỉ huấn luyện một phần nhỏ tham số bổ sung thay vì toàn bộ mô hình.
• RLHF: học tăng cường từ phản hồi của con người, giúp mô hình trả lời hữu ích, đúng mực hơn.
• Alignment (căn chỉnh): nỗ lực làm cho hành vi AI phù hợp ý định và giá trị của con người.
• Model distillation (chưng cất mô hình): dùng mô hình lớn “dạy” mô hình nhỏ để có mô hình nhẹ, nhanh mà vẫn giữ phần lớn năng lực.
• Quantization (lượng tử hóa): giảm độ chính xác số của trọng số, ví dụ xuống 4-bit, để mô hình chạy trên phần cứng ít bộ nhớ hơn, đánh đổi một chút chất lượng.
• Mixture of Experts (MoE): kiến trúc chia mô hình thành nhiều “chuyên gia”, mỗi lần chỉ kích hoạt một phần, giúp mô hình lớn chạy hiệu quả hơn.
• Synthetic data (dữ liệu tổng hợp): dữ liệu do máy tạo ra để huấn luyện hoặc kiểm thử khi dữ liệu thật thiếu hoặc nhạy cảm.
• Open weights (trọng số mở): mô hình công bố trọng số để tải về tự chạy; không đồng nghĩa với mã nguồn mở hoàn toàn, cần đọc giấy phép.
• Knowledge cutoff: thời điểm dữ liệu huấn luyện dừng lại; mô hình không biết sự kiện sau mốc này nếu không được cung cấp thêm.

Với doanh nghiệp vừa và nhỏ, nguyên tắc chung là thử prompt tốt và RAG trước, chỉ fine-tuning khi hai cách đó không đạt.

📌 Nhóm 3: Sử dụng AI và viết prompt

• Prompt: câu lệnh, yêu cầu bạn gửi cho AI.
• System prompt: chỉ dẫn nền đặt trước cuộc hội thoại, quy định vai trò, giọng văn, giới hạn của trợ lý.
• Prompt engineering: kỹ năng thiết kế prompt để AI trả lời đúng ý, ổn định.
• Context engineering: mở rộng của prompt engineering, tập trung chọn đúng thông tin, tài liệu, công cụ đưa vào ngữ cảnh.
• Prompt template: mẫu prompt có chỗ trống như {tên khách}, {sản phẩm} để cả nhóm dùng thống nhất.
• Prompt chaining: chia việc lớn thành chuỗi prompt nhỏ, đầu ra bước trước là đầu vào bước sau.
• Few-shot: đưa vài ví dụ mẫu trong prompt để AI bắt chước định dạng.
• Chain of thought: yêu cầu hoặc để mô hình suy luận từng bước trước khi kết luận.
• Reasoning model (mô hình suy luận): mô hình dành thêm thời gian “nghĩ” trước khi trả lời, mạnh ở bài toán nhiều bước.
• Temperature: tham số điều chỉnh độ ngẫu nhiên; thấp thì ổn định, cao thì sáng tạo hơn.
• Top-p, top-k: cách giới hạn tập từ mà mô hình được chọn ở mỗi bước, cũng ảnh hưởng độ đa dạng.
• Hallucination (ảo giác): AI tạo ra thông tin sai nhưng trình bày rất tự tin.
• Grounding: buộc câu trả lời dựa trên nguồn cụ thể như tài liệu, kết quả tìm kiếm, để giảm ảo giác.
• Copilot, trợ lý AI: AI làm việc cùng người, gợi ý và hỗ trợ nhưng người quyết định.

📌 Nhóm 4: Truy xuất tri thức và dữ liệu nội bộ

Đây là nhóm thuật ngữ quan trọng nhất khi doanh nghiệp muốn AI trả lời dựa trên tài liệu của chính mình.

• RAG (Retrieval-Augmented Generation): kỹ thuật tìm đoạn tài liệu liên quan rồi đưa vào ngữ cảnh để AI trả lời có căn cứ.
• Embedding: chuyển một đoạn văn thành vector số thể hiện nghĩa; hai đoạn cùng nghĩa có vector gần nhau.
• Vector database: cơ sở dữ liệu chuyên lưu và tìm kiếm vector embedding nhanh.
• Chunking: cắt tài liệu dài thành đoạn nhỏ trước khi tạo embedding. Cắt sai làm AI mất ngữ cảnh.
• Semantic search (tìm kiếm ngữ nghĩa): tìm theo ý nghĩa thay vì khớp từ khóa chính xác.
• Hybrid search: kết hợp tìm theo từ khóa và theo nghĩa, hữu ích với mã sản phẩm, số hiệu văn bản.
• Reranker: mô hình xếp hạng lại kết quả tìm được để chọn đoạn liên quan nhất.
• Knowledge graph (đồ thị tri thức): lưu tri thức dạng thực thể và quan hệ.
• GraphRAG: RAG dùng đồ thị tri thức để trả lời câu hỏi cần ghép nhiều nguồn.
• Knowledge base (kho tri thức): tập tài liệu đã được chuẩn bị để AI truy xuất.
• Citation (trích dẫn nguồn): AI chỉ ra đoạn tài liệu làm căn cứ, giúp người dùng kiểm tra.

📌 Nhóm 5: Agent, tự động hóa và tích hợp

• AI agent: hệ thống AI tự lên kế hoạch, dùng công cụ và thực hiện nhiều bước để đạt mục tiêu, không chỉ trả lời một câu.
• Agentic workflow: quy trình trong đó một số bước do agent tự quyết, xen với bước cố định và điểm duyệt của con người.
• Multi-agent: nhiều agent chuyên trách phối hợp, ví dụ một agent nghiên cứu, một agent viết, một agent kiểm tra.
• Function calling, tool use: khả năng mô hình gọi hàm hoặc công cụ bên ngoài như tra đơn hàng, gửi email, theo định dạng có cấu trúc.
• MCP (Model Context Protocol): giao thức mở chuẩn hóa cách kết nối AI với nguồn dữ liệu và công cụ.
• A2A (Agent-to-Agent): giao thức cho các agent của nhiều hệ thống giao tiếp với nhau.
• Computer use agent: agent điều khiển chuột, bàn phím, trình duyệt như người dùng.
• Agent memory: cơ chế để agent nhớ thông tin qua nhiều phiên làm việc.
• API: cổng để phần mềm của bạn gọi mô hình AI hoặc dịch vụ khác.
• Webhook: cơ chế một hệ thống tự gửi thông báo sang hệ thống khác khi có sự kiện.
• Workflow automation: tự động hóa chuỗi bước giữa các ứng dụng bằng công cụ như n8n, Make, Zapier, Power Automate.
• No-code, low-code: xây ứng dụng bằng kéo thả, ít hoặc không viết mã.
• Human-in-the-loop: thiết kế có điểm con người kiểm tra, phê duyệt trước khi AI hành động quan trọng.
• RPA: tự động hóa thao tác lặp lại theo quy tắc cố định trên giao diện phần mềm, khác agent ở chỗ không tự suy luận.

📌 Nhóm 6: AI đa phương thức: ảnh, giọng nói, video

• Multimodal AI (AI đa phương thức): AI xử lý nhiều loại dữ liệu như chữ, ảnh, âm thanh, video.
• Vision language model (VLM): mô hình vừa nhìn ảnh vừa hiểu và trả lời bằng ngôn ngữ.
• Computer vision (thị giác máy tính): lĩnh vực giúp máy nhận dạng, phân tích hình ảnh và video.
• OCR: nhận dạng ký tự quang học, chuyển chữ trong ảnh hoặc bản scan thành văn bản.
• Diffusion model (mô hình khuếch tán): loại mô hình tạo ảnh bằng cách khử nhiễu dần từ ảnh ngẫu nhiên.
• Text-to-image, text-to-video: tạo ảnh hoặc video từ mô tả bằng chữ.
• Inpainting, outpainting: sửa một vùng trong ảnh hoặc mở rộng ảnh ra ngoài khung.
• Speech-to-text (STT): chuyển giọng nói thành văn bản, dùng cho biên bản họp, ghi chú cuộc gọi.
• Text-to-speech (TTS): chuyển văn bản thành giọng nói, dùng cho tổng đài, video.
• Voice cloning: nhân bản giọng một người cụ thể từ mẫu ghi âm; hữu ích nhưng rủi ro lừa đảo cao.
• Voice agent: trợ lý AI giao tiếp bằng giọng nói theo thời gian thực, kết hợp STT, LLM và TTS.
• Deepfake: ảnh, video, giọng nói giả mạo người thật do AI tạo ra.

Ở nhóm này, doanh nghiệp cần đặc biệt lưu ý bản quyền nội dung tạo ra, quyền sử dụng hình ảnh, giọng nói của người thật và rủi ro giả mạo.

💰 Nhóm 7: Vận hành, hạ tầng và chi phí

• Inference (suy luận): giai đoạn dùng mô hình đã huấn luyện để trả lời; đây là phần chi phí doanh nghiệp trả hằng ngày.
• Latency (độ trễ): thời gian từ lúc gửi câu hỏi đến lúc nhận phản hồi, quan trọng với chatbot và voice agent.
• Throughput (thông lượng): số yêu cầu hoặc số token hệ thống xử lý được mỗi giây.
• Batch API: gửi nhiều yêu cầu cùng lúc để xử lý không gấp, thường rẻ hơn gọi từng lần.
• Prompt caching: lưu đệm phần prompt lặp lại để giảm chi phí và độ trễ.
• Rate limit: giới hạn số yêu cầu hoặc token trong một khoảng thời gian của nhà cung cấp API.
• GPU, VRAM: card đồ họa và bộ nhớ của nó, quyết định mô hình cỡ nào chạy được khi tự host.
• NPU: bộ xử lý chuyên cho AI trên laptop, điện thoại, tiết kiệm điện cho tác vụ nhẹ.
• Edge AI: chạy AI ngay trên thiết bị tại chỗ như camera, máy tính, thay vì trên đám mây.
• Self-hosted, on-premise: tự chạy mô hình trên máy chủ của doanh nghiệp.
• Benchmark: bộ bài kiểm tra chuẩn để so sánh mô hình; kết quả chỉ mang tính tham khảo.
• Evals: bộ kiểm thử riêng của doanh nghiệp để đo AI có làm đúng việc của mình không.
• Model card: tài liệu mô tả mô hình: mục đích, dữ liệu, giới hạn, rủi ro.

📌 Nhóm 8: An toàn, bảo mật và quản trị AI

• Guardrails: lớp kiểm soát chặn đầu vào, đầu ra không phù hợp như lộ dữ liệu, nội dung độc hại, trả lời ngoài phạm vi.
• Prompt injection: tấn công chèn chỉ dẫn độc hại vào dữ liệu AI đọc, khiến nó làm theo ý kẻ tấn công.
• Jailbreak: cố tình viết prompt để vượt qua giới hạn an toàn của mô hình.
• Red teaming: chủ động tấn công thử hệ thống AI để tìm điểm yếu trước khi kẻ xấu tìm ra.
• Data leakage (rò rỉ dữ liệu): thông tin nội bộ lọt ra ngoài qua việc dán vào chatbot hoặc qua câu trả lời của AI.
• AI watermark: dấu hiệu nhúng vào nội dung do AI tạo để nhận biết nguồn gốc.
• AI detector: công cụ ước đoán văn bản, ảnh có do AI tạo hay không; không chính xác tuyệt đối.
• Responsible AI (AI có trách nhiệm): bộ nguyên tắc dùng AI công bằng, minh bạch, an toàn, có trách nhiệm giải trình.
• AI governance (quản trị AI): chính sách, vai trò, quy trình để kiểm soát việc dùng AI trong tổ chức.
• AI policy (chính sách sử dụng AI): văn bản quy định nhân viên được dùng công cụ nào, dữ liệu nào được đưa vào.
• Bias (thiên lệch): AI cho kết quả không công bằng do dữ liệu huấn luyện lệch.
• Explainability (khả năng giải thích): mức độ hiểu được vì sao AI đưa ra kết quả.
• Shadow AI: nhân viên tự dùng công cụ AI ngoài danh sách được phép, khó kiểm soát dữ liệu.

Các khung tham chiếu như NIST AI Risk Management Framework hay nguyên tắc AI của OECD là điểm khởi đầu tốt để doanh nghiệp xây chính sách quản trị. Về pháp lý tại Việt Nam, hãy theo dõi văn bản chính thức hiện hành.

📌 Các cặp thuật ngữ AI hay bị nhầm lẫn

Nhiều cuộc họp mất thời gian chỉ vì hai bên hiểu một từ khác nhau. Bảng dưới đây tóm tắt những cặp hay gây nhầm nhất khi doanh nghiệp làm việc với nhà cung cấp hoặc đội kỹ thuật.

Một nguyên tắc chung: khi nhà cung cấp dùng thuật ngữ, hãy đề nghị họ giải thích bằng ví dụ trên dữ liệu của chính bạn. Ví dụ, thay vì chấp nhận câu “hệ thống dùng AI agent”, hãy hỏi “agent tự quyết định những bước nào, bước nào cần người duyệt, nếu sai thì ai phát hiện”. Câu trả lời cụ thể cho thấy họ hiểu sản phẩm đến đâu.

❓ Câu hỏi thường gặp

📌 Bài viết liên quan

• AI là gì? Giải thích trí tuệ nhân tạo cho người làm doanh nghiệp
• LLM là gì? Giải thích cho người không chuyên
• Token trong AI là gì? Vì sao AI tính phí theo token
• RAG là gì? Cho AI đọc tài liệu nội bộ
• AI Agent là gì? Khác chatbot thế nào
• Fine-tuning là gì? Khi nào doanh nghiệp cần tinh chỉnh mô hình AI
• MCP là gì? Kết nối AI với dữ liệu doanh nghiệp
• Vision language model là gì? AI vừa nhìn ảnh vừa hiểu ngôn ngữ
• Đồ thị tri thức (knowledge graph) là gì? Cách doanh nghiệp tổ chức dữ liệu cho AI
• Guardrails AI là gì? Hàng rào an toàn cho chatbot doanh nghiệp

📌 Nguồn tham khảo

• NIST AI Risk Management Framework
• OECD AI Principles
• Wikipedia: Glossary of artificial intelligence